用户体验设计经典案例比较好的网络优化公司

语言模型（Language Model, LM）是用于估计token序列概率的工具，通常在模型输出文本时非常有用。

Token sequence:

Y∗=argmaxP(X∣Y)P(Y)

1.Continuous LM

(1)N-gram模型

估计方法: P(y1,y2,…,yn)=P(y1∣BOS)P(y2∣y1)…P(yn∣yn−1)

例子: 估计 P(beach∣nice)=C(nice beach)/C(nice)，即“nice beach”出现的次数除以“nice”出现的次数。

平滑技术: 处理训练数据中未出现的n-gram

Issue：概率估计不准确，尤其是当考虑大的n值时，数据稀疏性问题：许多n-gram在训练数据中从未出现

语言模型平滑: 为某些未出现的词组提供小概率

(2)Recommendation system

例如：History “dog”和“cat”有相似度hdog和hcat,那么如果vjumped·hcat很大，那么相应的vjumped·hdog，也会很大，即使我们没见过“dog jumped...”

2.RNN-based LM

1-of-N编码:使用1-of-N编码表示历史词汇

(1)NN-based LM

基于神经网络的LM，原理是学习预测下一个单词

(2)RNN-based LM

使用RNN，考虑历史信息，但是也会存在RNN的长时依赖问题。

如果使用1 of N编码来代表历史信息，历史信息不能太长，使用LSTM（长短期记忆网络）进行优化

能够有效避免长序列训练中的梯度消失问题。

​